多目標(biāo)進化算法及其應(yīng)用

第1章　緒論
1.1　引言
1.2　定義
1.3　示例
1.4　問題描述
1.5　模擬進化算法的基本知識
1.6　多目標(biāo)優(yōu)化的起源
1.7　古典的多目標(biāo)優(yōu)化方法
1.8　進化算法的引入
1.9　相關(guān)研究機構(gòu)的網(wǎng)址
參考文獻
第2章　主要的多目標(biāo)進化算法
2.1　多目標(biāo)進化算法回顧
2.1.1　算法分類
2.1.2　選擇機制
2.2　隱式積木塊類型算法
2.2.1　向量評估遺傳算法(VEGA)
2.2.2　多目標(biāo)遺傳算法(MOGA)
2.2.3　小生境Pareto遺傳算法(NPGA)
2.2.4　非劣分類遺傳算法(NSGA)
2.2.5　孟德爾多目標(biāo)簡單遺傳算法(MMOSGA)
2.2.6　微遺傳算法(micro—GA)
2.2.7　Pareto存檔進化策略(PAES)
2.2.8　強度Pareto進化算法(SPEA)
2.2.9　Pareto包絡(luò)選擇算法(PESA)
2.2.10　多目標(biāo)遺傳局部搜索算法(MOGLSA)
2.3　顯式積木塊類型算法
2.3.1　多目標(biāo)雜亂遺傳算法(MOMGA)
2.3.2　改進型多目標(biāo)雜亂遺傳算法(MOMGA-II)
2.4　常用開放源代碼程序與軟件工具
2.5　總結(jié)
參考文獻
第3章　多目標(biāo)進化算法的關(guān)鍵理論
3.1　適應(yīng)度分配
3.1.1　問題背景
3.1.2　基于適應(yīng)度函數(shù)的選擇
3.1.3　基于個體排序的適應(yīng)度賦值
3.1.4　最優(yōu)個體保留策略
3.2　多樣性保持
3.2.1　策略分類
3.2.2　如何保持群體的多樣性
3.2.3　小生境參數(shù)
3.2.4　多樣性度量
3.2.5　基于免疫機制的多樣性保持策略
3.3　收斂性
3.3.1　全局收斂性的特征
3.3.2　Pareto近似解集與收斂性的關(guān)系
3.4　約束處理
3.4.1　約束問題描述
3.4.2　常用的約束處理方法
3.4.3　逆向可收縮PAES算法
3.4.4　均勻設(shè)計算法
3.5　高維目標(biāo)空間的優(yōu)化
3.5.1　多目標(biāo)決策協(xié)調(diào)模型
3.5.2　多目標(biāo)協(xié)調(diào)進化算法
3.6　多目標(biāo)遺傳規(guī)劃
3.6.1　遺傳規(guī)劃的基本原理
3.6.2　并列選擇方法
3.6.3　基于多目標(biāo)優(yōu)化的遺傳規(guī)劃模型
3.7　偏好信息及其應(yīng)用
3.7.1　多準則決策方法回顧
3.7.2　描述形式
3.7.3　行為特征
3.7.4　偏好在多目標(biāo)優(yōu)化中的使用
參考文獻
第4章　算法性能評價
4.1　性能評價準則
4.2　運行時間分析
參考文獻
第5章　多目標(biāo)優(yōu)化問題測試集
5.1　無約束問題測試集
5.2　約束問題測試集
5.3　騙問題
5.4　離散型問題
5.5　現(xiàn)實問題
5.6　試驗函數(shù)產(chǎn)生器
5.7　總結(jié)
參考文獻
第6章　應(yīng)用實例
6.1　多目標(biāo)進化算法在通信網(wǎng)絡(luò)中的應(yīng)用
6.1.1　互聯(lián)網(wǎng)絡(luò)單播服務(wù)質(zhì)量路由
6.1.2　多播通信服務(wù)質(zhì)量路由
6.1.3　多點網(wǎng)絡(luò)設(shè)計
6.2　電力系統(tǒng)的非線性控制器設(shè)計
6.3　自適應(yīng)分布式數(shù)據(jù)庫管理問題
6.4　水資源優(yōu)化調(diào)度
6.5　邏輯電路自動設(shè)計
6.6　多目標(biāo)流水車間調(diào)度
6.7　基于進化算法的多準則決策支持系統(tǒng)
6.8　軍事戰(zhàn)術(shù)多目標(biāo)計劃的智能系統(tǒng)
參考文獻
第7章　符號描述
7.1　操作算子
7.2子群體方法
7.3　小生境方法
7.4　算法結(jié)構(gòu)的通用描述
參考文獻
第8章　求解多目標(biāo)問題的現(xiàn)代方法
8.1　粒子群多目標(biāo)優(yōu)化算法
8.1.1　粒子群算法機理
8.1.2　粒子群算法的收斂性分析
8.2　多目標(biāo)模擬退火
8.3　基于粒子群優(yōu)化的多目標(biāo)柔性車間作業(yè)調(diào)度
參考文獻
附錄A　多目標(biāo)車間作業(yè)調(diào)度源程序
附錄B　英漢對照術(shù)語表